automl/SMAC3

解決的問題

SMAC3 提供了一個強大的框架，用於貝葉斯優化，專門設計用於幫助使用者找到機器學習演算法、資料集和應用程式最有效的超參數配置。

工作原理

它結合了貝葉斯優化與積極的競賽機制，以高效地判斷兩個配置中哪一個表現更佳。系統使用代理模型——預設情況下為 scikit-learn 中的隨機森林，同時也支援 pyrfr 的 C++ 實作——來引導尋找最佳超參數的過程。

適用對象

適用於需要自動化調整超參數以提升模型效能的機器學習實務人員與研究人員。

主要特色

• 多功能優化：原生支援多目標、多保真度與多執行緒。
• 彈性介面：提供 ask-and-tell 介面，並支援從中斷處繼續執行。
• 整合性：可與 ConfigSpace 搭配定義優化環境，並能透過 DeepCAVE 進行可視化。
• 高效能：利用基於 C++ 的隨機森林進行高效的代理模型建構。